Mounîm A. El Yacoubi, professeur à Télécom SudParis : L’IA et la détection des maladies neurodégénératives

Mounîm A. El Yacoubi, professeur à Télécom Sud Paris, spécialisé dans l’intelligence artificielle, a répondu aux questions de la Revue de l’Institut Polytechnique de Paris au sujet de l’intelligence artificielle et son rôle dans la détection des maladies comme Alzheimer et Parkinson

Mounîm A. El Yacoubi est professeur à Télécom SudParis. Ses recherches sont centrées sur la modélisation par l’IA et le machine learning de divers phénomènes réels. Il s’intéresse notamment à la modélisation des données biométriques, comme l’écriture manuscrite, les gestes, la voix, le visage ou la marche, pour détecter des maladies neurodégénératives ou pour l’interaction homme-machine.

Dans la dernière édition de Polytechnique Insights, la revue de l’Institut Polytechnique de Paris, Mounîm A. El Yacoubi fait le point sur l’apport de l’IA et du machine learning dans l’aide au diagnostic médical.

**L’IA et le machine learning sont déjà utilisés aujourd’hui pour aider au diagnostic des patients. En quoi peuvent-ils être utiles ?**

Tout d’abord, il faut souligner que le diagnostic ne se résume pas à un simple tri des patients. Il n’existe pas de frontière nette entre le « normal » et le « pathologique ». C’est pour cela que les médecins restent maîtres de leurs diagnostics, et que les solutions de machine learning ne sont que des aides, qui n’ont pas vocation à se substituer aux médecins mais à les aider à prioriser, par exemple. Néanmoins, aujourd’hui, le machine learning a des choses à apporter, notamment dans la détection des anomalies dans les IRM. Ce type de méthode repose sur un apprentissage supervisé à partir de millions d’images. Les systèmes arrivent ainsi à repérer des anomalies, avec des taux de classification très élevés, parfois plus fins que ceux des médecins.

L’IA peut donc nous servir à aller au-delà des tests actuels ?

En effet. Les méthodes classiques de diagnostic, qui s’appuient sur des tests sanguins, sur l’imagerie médicale ou sur la mesure d’autres paramètres biologiques, essaient de mettre en évidence une anomalie ou les symptômes caractéristiques d’une pathologie.

Elles fonctionnent assez bien, mais ne sont pas parfaites : elles sont souvent invasives et coûteuses en matériel et en personnel. Il faut aussi que les patients viennent à l’hôpital ou au laboratoire de biologie médicale. Pour toutes ces raisons, les outils de diagnostic basés sur du machine learning, sur des données issues de capteurs peu coûteux et non invasifs, intéressent le milieu médical.

De votre côté, vous n’exploitez pas les données classiques de la médecine…

Non, en effet. Nous travaillons sur des données dites écologiques, comme l’écriture, la démarche ou la voix.

Pour la maladie de Parkinson, nous menons un projet de recherche européen, en collaboration avec l’Institut du Cerveau et de la Moelle épinière. L’objectif est de parvenir à détecter dans la voix et les expressions du visage du patient des anomalies typiques de la maladie, et ce au cours d’un simple appel vidéo. Les personnes souffrant de ce trouble neurodégénératif présentent en général une hypomimie, c’est-à-dire une réduction de l’amplitude des mouvements expressifs, ou des altérations de la voix. Nous développons ainsi une méthode de machine learning pour détecter automatiquement ces signaux, et nous cherchons à comparer ses résultats aux données d’IRM ou d’autres indicateurs cliniques. Nous espérons que notre approche pourra aider à mieux caractériser les patients et à stratifier la maladie, c’est-à-dire à identifier des critères permettant de détecter des groupes de patients parkinsoniens avec des comportements différents, qui pourraient donc être traités par les médecins par de traitements et des thérapies différents.

Avec un outil comme celui-ci, une première étape diagnostique pourrait être réalisée sans même avoir besoin de faire venir le patient !

Les objets connectés peuvent-ils vous aider à déployer ces approches ?

Pour le diabète de type 2, nous utilisons des capteurs de glycémie connectés. Ils permettent de lire la glycémie en continu; nous n’avons pas besoin de demander aux patients de se piquer et nous pouvons disposer de valeurs 24 heures sur 24. Nous associons à ces données les informations liées à la prise de repas et d’insuline, que le patient peut nous communiquer grâce à une application de suivi de diabète sur smartphone, ainsi que son activité physique, enregistrée via un bracelet connecté. En combinant ces informations, nous arrivons à prévoir la valeur de la glycémie.

C’est un véritable défi car chaque personne a son propre métabolisme, sa propre génétique… Nous avons donc créé des modèles personnalisés, fondés sur des modèles de « deep learning séquentiel ». Ce travail a été l’objet d’une thèse menée par Maxime de Bois, que j’ai codirigée avec Mehdi Ammi de l’Université Paris-Saclay.

Lire l’interview dans son intégralité sur le site de Polytechnique Insights